CN109359162A - 一种基于gis的学校选址方法 - Google Patents
一种基于gis的学校选址方法 Download PDFInfo
- Publication number
- CN109359162A CN109359162A CN201810985955.5A CN201810985955A CN109359162A CN 109359162 A CN109359162 A CN 109359162A CN 201810985955 A CN201810985955 A CN 201810985955A CN 109359162 A CN109359162 A CN 109359162A
- Authority
- CN
- China
- Prior art keywords
- school
- data
- city
- infrastructure
- urban
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013480 data collection Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 230000008676 import Effects 0.000 claims abstract description 3
- 238000009826 distribution Methods 0.000 claims description 32
- 230000005484 gravity Effects 0.000 claims description 8
- 241001269238 Data Species 0.000 claims description 4
- 238000009313 farming Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000003012 network analysis Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 7
- 238000012732 spatial analysis Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于GIS的学校选址方法,包括以下步骤:1)~5)、对学校选址方法进行描述;6)、将获取的数据导入GIS平台中;7)、对数据进行特征处理得到相应的派生数据集;8)、通过引入标准化欧式距离与赫夫模型构建学校选址模型;9)、对学校选址模型加入约束条件,并通过重分类将派生数据合并;10)、设置相应的加权系数,进行加权叠加,通过GIS平台的空间分析工具得到加权后的数据集;11)、统一度量值后得到学校选址区域适宜图;12)、通过major滤波操作后将不符合实际情况的城市区域剔除,得出学校最佳落址位置。本发明提供一种寻址效率较高、寻址结果较为满意的学校选址方法。
Description
技术领域
本发明涉及一种线性规划、网络流、地理信息处理、计算机应用领域、地理学、网络分析等应用领域,尤其涉及一种基于GIS的学校选址方法。
背景技术
无论何时,选址问题一直与人类生活息息相关。选址问题研究决策依据从古代的迷信风水学到现代选址理念的转变,都对社会发展产生了深远影响。选址问题涉及的内容非常广泛,在生产生活、军事、运输物流中都有应用。该问题在政治、社会、管理、工程地质等领域都有涉及,包括在城乡规划、经济开发区、生产链、存储中心等方面选址决策。选址问题需要结合服务方式、服务效率、服务成本等因素来进行选址决策。换句话说,好的选址决策会给人民生活带来便利,对扩大利润和占有更大市场份额有了更好的竞争力,从而提高人民幸福指数,设施服务质量;差的选址决策则会带来很大的不便和损失,甚至是灾难。因此,选址问题的研究有着重要的实际意义。
公共服务设施选址问题是选址问题的一个重要研究领域。设施根据具体的功能特点,分为教育、交通、医疗卫生等设施。而公共服务建设反映人民生活水平,强调社会效益,且与和谐社会建设戚戚相关,是城市规划和发展的重要问题。学校作为一项重要的公共服务设施,选址问题受各国研究者的广泛关注。我国属于发展中国家,人口众多,正面临着教育资源相对有限于人民对优质教育资源需求增长的矛盾。国家为解决这一问题,不断进行体制改革和合并调整来扩大教育规模,使校园选址成为研究的热点,为学校发展创造了机遇与挑战。
由于城市空间的拥挤,原本的校园发展空间已经没有太多的建设资源,这阻碍了国家推行教育建设的步伐,因此选址建设新校区成为学校进一步发展的有效途径。现如今,随着网络时代的到来,网络资源越来越丰富,基于学校的地理信息数据越来越受到研究人员的重视。通过成熟的GIS技术,结合自身发明的方法,利用相关的空间数据可以很好地构建模型进行分析,从而优化和改进方法,为学校选址决策提供了可靠的数据和理论依据。
学校选址问题需要考虑多种因素,例如人文因素和自然因素,国内外通过这些因素提出了许多校园选址方法。但传统校园选址问题的研究仍然存在不少问题,譬如选址设置严格的覆盖标准,在覆盖半径内的所有需求点都被覆盖,而只要不在覆盖半径之内就完全不被覆盖,这种覆盖模型方法往往不太切合实际情况;对学校选址的需求分析不充分,往往忽视了选址的随机性、不确定问题。传统的学校选址问题研究多从外部环境、交通情况等硬性约束条件来规划选址,对一些不确定因素的考虑仍然较少;无法结合真实的数据,验证模型方法对于学校选址的准确性。
因此,现有的校园选址方法存在不足,需要改进。
发明内容:
为了克服传统学校选址方法中的不足,本发明提供了一种借助GIS网络分析技术,结合重分类加权法加以考虑地理位置、人口密度、土地利用类型、交通状况以及现有学校的距离间隔等影响因素的学校选址方法,能够确定出适宜性比较好的学校选址区域,寻址效率较高、寻址结果较为满意。
本发明解决其技术问题所采用的技术方案是:
一种基于GIS的学校选址方法,包括以下步骤:
1)获取所在城市的高程数据H、城市各处基础设施位置数据M、城市土地利用情况S,城市人口分布密度P;对P进行聚类操作,将居民点聚类成N个需求点,即居民点集合为I={i1,i2,i3,....,iN},设学校候选点集合J与居民点集合I相同,即J=I={i1,i2,i3,....,iN};其中数据M包含城市交通、城市教育布局、城市河流规划等与学校选址相关的地理数据,从中提取出影响选址决策较大的地理数据:现有学校的分布数据集合D={d1,d2,d3,....dm}、学生生活必备的基础设施分布数据集合E={e1,e2,e3,....ek},E中包括城市公交、地铁、火车站分布数据以及学生休闲娱乐场所数据;土地利用情况S分为公用地、交通拥堵、水系占用地、森林用地、湿地、市中心用地、绿化用地和农用地;
2)对学校候选点集合J与现有学校的分布数据集合D求解标准化欧式距离,即对应欧式距离集合为
由此得到约束条件:新学校应与已有学校保持的距离需大于ε,ε的取值选取大于城市现有学校之间的欧式距离的均值,即
其中b∈{1,2,....N},k∈{1,2,...m},ib,dk分别表示学校候选点和城市现有学校的坐标,sk表示对应分量的标准差,Jb,Dk分别表示任意学校候选点和现有学校的地理位置集合,Di,j表示现有任意两所学校i,j之间的欧式距离;
3)对学校候选点集合J与学生生活必备的基础设施分布数据集合E建立赫夫模型,即
其中Aij表示基础设施j对学生i的吸引力,表示基础设施j的魅力度,表示学校候选点学生i到基础设施j的阻抗成本,设学生i到基础设施j的欧式距离作为阻抗成本,a,b分别表示对应的敏感性参数;进一步求得学校候选点学生i前往基础设施j消费的概率为得到新的约束条件:
4)城市地形的平坦程度对学校的选址决策也有着至关重要的影响;从城市高程数据集H中获取城市区域坡度,通过n*n邻域模板进行焦点统计,将邻域内的最大高程与最小高程之差作为该邻域的坡度值,即θ=ΔH=max(σ)-min(σ),其中σ={Xi,j,Xi,j+1,...Xi,j+n,Xi+1,j,....Xi+n-1,j+n,Xi+n,j+n},其中Xi,j表示n*n模板内的某一像元的高程值,规定θ的取值不宜过大,应小于θ',得到约束条件:
θ=ΔH=max(σ)-min(σ)<θ' (5)
5)对所在城市的地形数据θ、现有学校的分布数据集合D、学生生活必备的基础设施分布数据集合E以及城市地段规划类别S进行加权叠加,设置合理的加权比重,得到模型性能指标:
其中A,B,C,D分别代表上述约束的加权比重,A+B+C+D=1,通过求解上述公式,最终可以得到基于不同城市地理数据的最优学校选址;
6)将城市地理信息数据导入GIS平台,进行地图矢量化,得到城市地面高程、基础设施、现有学校分布、土地利用情况矢量图;
7)通过上述方法的计算,得到坡度等数据;将数据录入到图层属性表,为栅格图提供源数据;
8)在GIS平台的模型构建器中构建学校选址模型,设置环境的处理范围和像元大小,从数据集中派生出对应θ,D,E,S数据;
9)对模型输入每个条件,加入步骤2)、3)、4)中的方法,对坡度θ,土地类型S等进行约束,然后将这些派生数据进行合并,创建一幅适宜性地图,从而在其中标识出新学校的可能位置,与学校候选点进行重合对比;对这些数据集进行重分类,将其设置为统一的度量级,数据集中的各个值都分配到相应的离散整数值,各数据集中较适宜建设新学校的区域将被分配较高的值;
10)对派生数据集重分类后,设置相应的加权系数,进行加权叠加,通过GIS平台的空间分析工具得到加权后的数据集;此步骤可以在重分类的同时进行加权,更为简便;
11)完成上述步骤后,学校选址模型已构建完成,在GIS平台上运行此模型,在统一度量值的基础上得出学校选址区域适宜图;
12)将学习选址区域适宜图进行Major滤波操作,将图中虽然满足上述约束条件但位置交通道路经过较多或占地面积过小的区域剔除;最后将得到的适宜图和学校候选点分布图对比,得出学校最佳落址位置。
进一步,所述步骤8)中,在派生坡度数据集时,运行的是根据步骤4)所设计的脚本,通过焦点统计理念实现;
再进一步,所述步骤9)中,在生成网络分析中,通过导入一种自定义脚本来生成约束条件,该脚本是对3)、4)步骤中的实现。
本发明的有益效果主要表现在:本发明的学校选址方法,实质就是一种基于模型的聚类最优化方法,结合GIS,基于城市实际地理信息数据,获得新学校最佳位置。
附图说明
图1是一种基于GIS的学校选址方法流程图。
图2是导入数据后在GIS平台上显示的位置信息图。
具体实施方式
下面结合附图对本发明进一步描述。
参照图1和图2,一种基于GIS的学校选址方法,包括以下步骤:
1)获取所在城市的高程数据H、城市各处基础设施位置数据M、城市土地利用情况S,城市人口分布密度P;对P进行聚类操作,将居民点聚类成N个需求点,即I={i1,i2,i3,....,iN},设学校候选点集合与居民点集合相同,即J=I={i1,i2,i3,....,iN};其中数据M包含城市交通、城市教育布局、城市河流规划等与学校选址相关的地理数据,从中提取出影响选址决策较大的地理数据:现有学校的分布数据集合D={d1,d2,d3,....dm}、学生生活必备的基础设施分布数据集合E={e1,e2,e3,....ek},E中包括城市公交、地铁、火车站分布数据以及学生休闲娱乐场所数据;土地利用情况S分为公用地、交通拥堵、水系占用地、森林用地、湿地、市中心用地、绿化用地和农用地;
2)对学校候选点集合J与现有学校的分布数据集合D求解标准化欧式距离,即对应欧式距离集合为
由此得到约束条件:新学校应与已有学校保持的距离需大于ε,ε的取值选取大于城市现有学校之间的欧式距离的均值,即
其中b∈{1,2,....N},k∈{1,2,...m},ib,dk分别表示学校候选点和城市现有学校的坐标,sk表示对应分量的标准差,Jb,Dk分别表示任意两个学校候选点和现有学校的地理位置集合,Di,j表示现有任意两所学校i,j之间的欧式距离;
3)对学校候选点集合J与学生生活必备的基础设施分布数据集合E建立赫夫模型,即
其中Aij表示基础设施j对学生i的吸引力,表示基础设施j的魅力度,表示学校候选点学生i到基础设施j的阻抗成本,设学生i到基础设施j的欧式距离作为阻抗成本,a,b分别表示对应的敏感性参数;进一步求得学校候选点学生i前往基础设施j消费的概率为得到新的约束条件:
4)城市地形的平坦程度对学校的选址决策也有着至关重要的影响;从城市高程数据集H中获取城市区域坡度,通过n*n邻域模板进行焦点统计,将邻域内的最大高程与最小高程之差作为该邻域的坡度值,即θ=ΔH=max(σ)-min(σ),其中σ={Xi,j,Xi,j+1,...Xi,j+n,Xi+1,j,....Xi+n-1,j+n,Xi+n,j+n},其中Xi,j表示n*n模板内的某一像元的高程值,规定θ的取值不宜过大,应小于θ',得到约束条件:
θ=ΔH=max(σ)-min(σ)<θ' (5)
5)对所在城市的地形数据θ、现有学校的分布数据集合D、学生生活必备的基础设施分布数据集合E以及城市地段规划类别S进行加权叠加,设置合理的加权比重,得到模型性能指标:
其中A,B,C,D分别代表上述约束的加权比重,A+B+C+D=1,通过求解上述公式,最终可以得到基于不同城市地理数据的最优学校选址;
6)将城市地理信息数据导入GIS平台,进行地图矢量化,得到城市地面高程、基础设施、现有学校分布、土地利用情况矢量图;
7)通过上述方法的计算,得到坡度等数据;将数据录入到图层属性表,为栅格图提供源数据;
8)在GIS平台的模型构建器中构建学校选址模型,设置环境的处理范围和像元大小,从数据集中派生出对应θ,D,E,S数据;
9)对模型输入每个条件,加入步骤2)、3)、4)中的方法,对坡度θ,土地类型S等进行约束,然后将这些派生数据进行合并,创建一幅适宜性地图,从而在其中标识出新学校的可能位置,与学校候选点进行重合对比;对这些数据集进行重分类,将其设置为统一的度量级,数据集中的各个值都分配到相应的离散整数值,如1到10,各数据集中较适宜建设新学校的区域将被分配较高的值;
10)对派生数据集重分类后,设置相应的加权系数,进行加权叠加,通过GIS平台的空间分析工具得到加权后的数据集;此步骤可以在重分类的同时进行加权,更为简便;
11)完成上述步骤后,学校选址模型已构建完成,在GIS平台上运行此模型,在统一度量值的基础上得出学校选址区域适宜图;
12)将学习选址区域适宜图进行Major滤波操作,将图中虽然满足上述约束条件但位置交通道路经过较多或占地面积过小的区域剔除;最后将得到的适宜图和学校候选点分布图对比,得出最佳落址位置。
进一步,所述步骤8)中,在派生坡度数据集时,运行的是根据步骤4)所设计的脚本,通过焦点统计理念实现;
再进一步,所述步骤9)中,在生成网络分析中,通过导入一种自定义脚本来生成约束条件,该脚本是对3)、4)步骤中的实现。
以浙江杭州为例,一种基于GIS的学校选址方法,包括以下步骤:
1)获取浙江杭州的高程数据H、城市各处基础设施位置数据M、城市土地利用情况S,城市人口分布密度P;对P进行聚类操作,将居民点聚类成20个需求点,即I={i1,i2,i3,....,iN},设学校候选点集合与居民点集合相同,即J=I={i1,i2,i3,....,iN};其中数据M包含城市交通、城市教育布局、城市河流规划等与学校选址相关的地理数据,从中提取出影响选址决策较大的地理数据,基于更大限度的扩大选址范围准则,现有学校的分布数据集合D={d1,d2,d3,....dm}对学校选址决策起着重要作用,取m=30;学生生活必备的基础设施分布数据集合E={e1,e2,e3,....ek}对于学校选址决策也占有较大比重,E中包括城市公交、地铁、火车站分布数据以及学生休闲娱乐场所数据;土地利用情况S分为公用地、交通拥堵、水系占用地、森林用地、湿地、市中心用地、绿化用地和农用地;
2)对学校候选点集合J与现有学校的分布数据集合D求解标准化欧式距离,即对应欧式距离集合为
由此得到约束条件:新学校应与已有学校保持的距离需大于ε,ε的取值选取大于城市现有学校之间的欧式距离的均值,即
其中b∈{1,2,....N},k∈{1,2,...m},ib,dk分别表示学校候选点和城市现有学校的坐标,sk表示对应分量的标准差,Jb,Dk分别表示任意两个学校候选点和现有学校的地理位置集合,Di,j表示现有任意两所学校i,j之间的欧式距离;
3)对学校候选点集合J与学生生活必备的基础设施分布数据集合E建立赫夫模型,即
其中Aij表示基础设施j对学生i的吸引力,表示基础设施j的魅力度,表示学校候选点学生i到基础设施j的阻抗成本,设学生i到基础设施j的欧式距离作为阻抗成本,a,b分别表示对应的敏感性参数,取a=1,b=2;进一步求得学校候选点学生i前往基础设施j消费的概率为取ω=0.85,得到新的约束条件:
4)城市地形的平坦程度对学校的选址决策也有着至关重要的影响;从城市高程数据集H中获取城市区域坡度,选取3*3邻域模板进行焦点统计,将邻域内的最大高程与最小高程之差作为该邻域的坡度值,即θ=ΔH=max(σ)-min(σ),其中σ={Xi,j,Xi,j+1,...Xi,j+n,Xi+1,j,....Xi+2,j+3,Xi+3,j+3},取θ'=30,得到约束条件:
θ=ΔH=max(σ)-min(σ)<θ'=30 (5)
5)对所在城市的地形数据θ、现有学校的分布数据集合D、学生生活必备的基础设施分布数据集合E以及城市地段规划类别S进行加权叠加,设置合理的加权比重,得到模型性能指标:
其中A+B+C+D=1,取A=13%,B=25%,C=50%,D=12%;通过求解上述公式,最终可以得到基于不同城市地理数据的最优学校选址;
6)将城市地理信息数据导入GIS平台,进行地图矢量化,得到城市地面高程、基础设施、现有学校分布、土地利用情况矢量图,图2即为城市位置信息图;
7)通过上述方法的计算,得到坡度等数据;将数据录入到图层属性表,为栅格图提供源数据;
8)在GIS平台的模型构建器中构建学校选址模型,设置环境的处理范围和像元大小,从数据集中派生出对应θ,D,E,S≠5,7数据;
9)对模型输入每个条件,加入步骤2)、3)、4)中的方法,对坡度θ,土地类型S等进行约束,然后将这些派生数据进行合并,创建一幅适宜性地图,从而在其中标识出新学校的可能位置,与学校候选点进行重合对比;对这些数据集进行重分类,将其设置为统一的度量级,数据集中的各个值都分配到相应的离散整数值,取1到10,取θ≥4,S≠5,7,代表学校选址不能在绿化用地、湿地、河流等地;各数据集中较适宜建设新学校的区域将被分配较高的值;
10)对派生数据集重分类后,设置相应的加权系数,进行加权叠加,通过GIS平台的空间分析工具得到加权后的数据集;此步骤可以在重分类的同时进行加权,更为简便;
11)完成上述步骤后,学校选址模型已构建完成,在GIS平台上运行此模型,在统一度量值的基础上得出学校选址区域适宜图;
12)将学习选址区域适宜图进行Major滤波操作,将图中虽然满足上述约束条件但位置交通道路经过较多或占地面积过小的区域剔除;最后将得到的适宜图和学校候选点分布图对比,得出最佳落址位置;
以上阐述的是本发明给出的一个实施例表现出来的优良效果,显然本发明不仅适合上述实施例,在不偏离本发明基本精神及不超出本发明实质内容所涉及内容的前提下可对其做种种变化加以实施。
Claims (3)
1.一种基于GIS的学校选址方法,其特征在于:所述方法包括以下步骤:
1)获取所在城市的高程数据H、城市各处基础设施位置数据M、城市土地利用情况S,城市人口分布密度P;对P进行聚类操作,将居民点聚类成N个需求点,即I={i1,i2,i3,....,iN},设学校候选点集合J与居民点集合I相同,即J=I={i1,i2,i3,....,iN};其中数据M包含城市交通、城市教育布局、城市河流规划等与学校选址相关的地理数据,从中提取出影响选址决策较大的地理数据:现有学校的分布数据集合D={d1,d2,d3,....dm}、学生生活必备的基础设施分布数据集合E={e1,e2,e3,....ek},E中包括城市公交、地铁、火车站分布数据以及学生休闲娱乐场所数据;土地利用情况S分为公用地、交通拥堵、水系占用地、森林用地、湿地、市中心用地、绿化用地和农用地;
2)对学校候选点集合J与现有学校的分布数据集合D求解标准化欧式距离,即对应欧式距离集合为
由此得到约束条件:新学校应与已有学校保持的距离需大于ε,ε的取值选取大于城市现有学校之间的欧式距离的均值,即
其中b∈{1,2,....N},k∈{1,2,...m},ib,dk表示学校候选点和城市现有学校的n维向量,sk表示对应分量的标准差,Jb,Dk分别表示任意两处学校候选点和现有学校的地理位置集合,Di,j表示现有任意两所学校i,j之间的欧式距离;
3)对学校候选点集合J与学生生活必备的基础设施分布数据集合E建立赫夫模型,即
其中Aij表示基础设施j对学生i的吸引力,表示基础设施j的魅力度,表示学校候选点学生i到基础设施j的阻抗成本,设学生i到基础设施j的欧式距离作为阻抗成本,a,b分别表示对应的敏感性参数;进一步求得学校候选点学生i前往基础设施j消费的概率为得到新的约束条件:
4)城市地形的平坦程度对学校的选址决策也有着至关重要的影响;从城市高程数据集H中获取城市区域坡度,通过n*n邻域模板进行焦点统计,将邻域内的最大高程与最小高程之差作为该邻域的坡度值,即θ=ΔH=max(σ)-min(σ),其中σ={Xi,j,Xi,j+1,...Xi,j+n,Xi+1,j,....Xi+n-1,j+n,Xi+n,j+n},其中Xi,j表示n*n模板内的某一像元的高程值,规定θ的取值不宜过大,应小于θ',得到约束条件:
θ=ΔH=max(σ)-min(σ)<θ' (5)
5)对所在城市的地形数据θ、现有学校的分布数据集合D、学生生活必备的基础设施分布数据集合E以及城市地段规划类别S进行加权叠加,设置合理的加权比重,得到模型性能指标:
其中A,B,C,D分别代表上述约束的加权比重,A+B+C+D=1,通过求解上述公式,最终可以得到基于不同城市地理数据的最优学校选址;
6)将城市地理信息数据导入GIS平台,进行地图矢量化,得到城市地面高程、基础设施、现有学校分布、土地利用情况矢量图;
7)通过上述方法的计算,得到坡度等数据;将数据录入到图层属性表,为栅格图提供源数据;
8)在GIS平台的模型构建器中构建学校选址模型,设置环境的处理范围和像元大小,从数据集中派生出对应θ,D,E,S数据;
9)对模型输入每个条件,加入步骤2)、3)、4)中的方法,对坡度θ,土地类型S等进行约束,然后将这些派生数据进行合并,创建一幅适宜性地图,从而在其中标识出新学校的可能位置,与学校候选点进行重合对比;对这些数据集进行重分类,将其设置为统一的度量级,数据集中的各个值都分配到相应的离散整数值,如1到10,各数据集中较适宜建设新学校的区域将被分配较高的值;
10)对派生数据集重分类后,设置相应的加权系数,进行加权叠加,通过GIS平台的空间分析工具得到加权后的数据集;此步骤可以在重分类的同时进行加权,更为简便;
11)完成上述步骤后,学校选址模型已构建完成,在GIS平台上运行此模型,在统一度量值的基础上得出学校选址区域适宜图;
12)将学习选址区域适宜图进行Major滤波操作,将图中虽然满足上述约束条件但位置交通道路经过较多或占地面积过小的区域剔除;最后将得到的适宜图和学校候选点分布图对比,得出最佳落址位置。
2.根据权利要求1所述的一种基于GIS的学校选址方法,其特征在于:所述步骤8)中,在派生坡度数据集时,运行的是根据步骤4)所设计的脚本,通过焦点统计理念实现。
3.根据权利要求1或2所述的一种基于GIS的学校选址方法,其特征在于:所述步骤9)中,在生成网络分析中,通过导入一种自定义脚本来生成约束条件,该脚本是对3)、4)步骤中的实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810985955.5A CN109359162B (zh) | 2018-08-28 | 2018-08-28 | 一种基于gis的学校选址方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810985955.5A CN109359162B (zh) | 2018-08-28 | 2018-08-28 | 一种基于gis的学校选址方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109359162A true CN109359162A (zh) | 2019-02-19 |
CN109359162B CN109359162B (zh) | 2022-07-26 |
Family
ID=65350015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810985955.5A Active CN109359162B (zh) | 2018-08-28 | 2018-08-28 | 一种基于gis的学校选址方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359162B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555654A (zh) * | 2019-08-30 | 2019-12-10 | 广州大学 | 一种社区生鲜连锁店的物流配送中心选址方法及装置 |
CN110851548A (zh) * | 2019-10-14 | 2020-02-28 | 上海市政工程设计研究总院(集团)有限公司 | 一种基于ArcGIS分析的市政设施选址布局方法 |
CN111178580A (zh) * | 2019-11-28 | 2020-05-19 | 浙江工业大学 | 一种基于改进bp神经网络的超市选址方法 |
CN111383051A (zh) * | 2020-03-02 | 2020-07-07 | 杭州比智科技有限公司 | 实体对象的选址方法、装置、计算设备及计算机存储介质 |
CN111949834A (zh) * | 2019-05-17 | 2020-11-17 | 上海树融数据科技有限公司 | 选址方法和选址平台 |
CN112308313A (zh) * | 2020-10-29 | 2021-02-02 | 中国城市规划设计研究院 | 一种学校连续点选址方法、装置、介质及计算机设备 |
CN112396268A (zh) * | 2019-08-15 | 2021-02-23 | 华为技术有限公司 | 建校选址的方法以及装置 |
CN115809825A (zh) * | 2022-12-13 | 2023-03-17 | 广州市城市规划勘测设计研究院 | 一种学区划分评价方法、装置及介质 |
CN117931978A (zh) * | 2024-03-22 | 2024-04-26 | 中国电建集团西北勘测设计研究院有限公司 | 流域人居数据分析方法及系统、计算机设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100318512A1 (en) * | 2009-06-16 | 2010-12-16 | Ludwig Lester F | Advanced geographic information system (gis) providing modeling, decision support, visualization, sonification, web interface, risk management, sensitivity analysis, sensor telemetry, field video, and field audio |
CN106548367A (zh) * | 2016-10-12 | 2017-03-29 | 电子科技大学 | 多源数据的选址模型及其应用研究 |
CN108009677A (zh) * | 2017-11-29 | 2018-05-08 | 黑龙江鑫联华信息股份有限公司 | 一种选址方法 |
-
2018
- 2018-08-28 CN CN201810985955.5A patent/CN109359162B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100318512A1 (en) * | 2009-06-16 | 2010-12-16 | Ludwig Lester F | Advanced geographic information system (gis) providing modeling, decision support, visualization, sonification, web interface, risk management, sensitivity analysis, sensor telemetry, field video, and field audio |
CN106548367A (zh) * | 2016-10-12 | 2017-03-29 | 电子科技大学 | 多源数据的选址模型及其应用研究 |
CN108009677A (zh) * | 2017-11-29 | 2018-05-08 | 黑龙江鑫联华信息股份有限公司 | 一种选址方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949834A (zh) * | 2019-05-17 | 2020-11-17 | 上海树融数据科技有限公司 | 选址方法和选址平台 |
CN111949834B (zh) * | 2019-05-17 | 2024-04-05 | 嘉兴树融数据科技有限公司 | 选址方法和选址平台系统 |
CN112396268A (zh) * | 2019-08-15 | 2021-02-23 | 华为技术有限公司 | 建校选址的方法以及装置 |
CN110555654A (zh) * | 2019-08-30 | 2019-12-10 | 广州大学 | 一种社区生鲜连锁店的物流配送中心选址方法及装置 |
CN110851548A (zh) * | 2019-10-14 | 2020-02-28 | 上海市政工程设计研究总院(集团)有限公司 | 一种基于ArcGIS分析的市政设施选址布局方法 |
CN111178580A (zh) * | 2019-11-28 | 2020-05-19 | 浙江工业大学 | 一种基于改进bp神经网络的超市选址方法 |
CN111383051A (zh) * | 2020-03-02 | 2020-07-07 | 杭州比智科技有限公司 | 实体对象的选址方法、装置、计算设备及计算机存储介质 |
CN112308313A (zh) * | 2020-10-29 | 2021-02-02 | 中国城市规划设计研究院 | 一种学校连续点选址方法、装置、介质及计算机设备 |
CN112308313B (zh) * | 2020-10-29 | 2023-06-16 | 中国城市规划设计研究院 | 一种学校连续点选址方法、装置、介质及计算机设备 |
CN115809825A (zh) * | 2022-12-13 | 2023-03-17 | 广州市城市规划勘测设计研究院 | 一种学区划分评价方法、装置及介质 |
CN117931978A (zh) * | 2024-03-22 | 2024-04-26 | 中国电建集团西北勘测设计研究院有限公司 | 流域人居数据分析方法及系统、计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109359162B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359162A (zh) | 一种基于gis的学校选址方法 | |
Xia et al. | Analyzing spatial relationships between urban land use intensity and urban vitality at street block level: A case study of five Chinese megacities | |
Cheng et al. | Urban land administration and planning in China: Opportunities and constraints of spatial data models | |
CN109189917A (zh) | 一种融合景观和社会特征的城市功能区划分方法及系统 | |
Yue et al. | Detecting clusters over intercity transportation networks using K-shortest paths and hierarchical clustering: a case study of mainland China | |
Li et al. | Defining the boundaries of urban built-up area based on taxi trajectories: a case study of Beijing | |
He et al. | What is the developmental level of outlying expansion patches? A study of 275 Chinese cities using geographical big data | |
Dijkstra et al. | Regional Working Paper 2014 | |
Luo et al. | Urban poverty maps-From characterising deprivation using geo-spatial data to capturing deprivation from space | |
Cader et al. | Overcoming data scarcity for energy access planning with open data–the example of Tanzania | |
Deng et al. | Characteristics of the spatiotemporal changes in urban agglomeration in the Guangdong–Hong Kong–Macao Greater Bay Area, China | |
CN114661744A (zh) | 一种基于深度学习的地形数据库更新方法及系统 | |
Chen | Delineating the spatial boundaries of megaregions in China: A city network perspective | |
Xiao et al. | Does the culture service supply of green spaces match the demand of residents in a new district? A perspective from China. | |
Zhao et al. | Depicting urban multi-scale tourist activity spaces using digital footprints for smart destinations | |
CN116822798B (zh) | 一种用于城乡风貌特色塑造的区域地方性度量方法 | |
Li et al. | Exploration of the Residents' Quality of Life Based on the Distance of Public Service Facilities: Case of Dalian | |
Yan et al. | Identification of secondary functional areas and functional structure analysis based on multisource geographic data | |
Xie et al. | [Retracted] Tourism Resource Evaluation and Countermeasures Based on Network Communication and TOPSIS Algorithm | |
Hu et al. | Urban landscape information atlas and model system based on remote sensing images | |
Liu | Dynamic analysis of multicenter spatial structure with big data in smart city | |
Li et al. | An approach to developing and protecting linear heritage tourism: The construction of cultural heritage corridor of traditional villages in Mentougou District using GIS | |
CN106202495A (zh) | 基于互联网gis的场景信息整合方法 | |
Qiu et al. | Accessibility of rehabilitation facility: evaluation based on spatial big data in xiamen | |
Yin et al. | Measuring the accessibility of parks: A case study in Shanghai, China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190219 Assignee: Foshan shangxiaoyun Technology Co.,Ltd. Assignor: JIANG University OF TECHNOLOGY Contract record no.: X2024980000078 Denomination of invention: A GIS based method for school location selection Granted publication date: 20220726 License type: Common License Record date: 20240104 |